- Страна
- США
- Зарплата
- 100 000 $ – 350 000 $
Откликайтесь
на вакансии с ИИ

ML Research Engineer (Junior–Senior)
Исключительное предложение с очень высокой зарплатой в долларах, возможностью релокации в США и работой над передовыми технологиями в области GenAI.
Сложность вакансии
Высокая сложность обусловлена требованиями к опыту обучения крупных моделей, глубоким знаниям PyTorch и предпочтительному наличию публикаций на топовых конференциях (NeurIPS/ICML).
Анализ зарплаты
Предлагаемая зарплата ($100k–$350k) полностью соответствует и даже превышает верхние границы рынка для ML Research ролей в США и значительно выше средних показателей для Казахстана.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом

Откликнитесь в Higgsfield AI уже сейчас
Присоединяйтесь к команде Higgsfield AI и создавайте будущее генеративного ИИ на острие технологий диффузионных моделей!
Описание вакансии
ML Research Engineer (Junior–Senior)
Higgsfield AI
100,000 to 350,000 USD Gross per year
Almaty / Office / with potential relocation to US
We are assembling a strong research team in the frontier of diffusion models. Higgsfield AI is building an ambitious GenAI company focused on Diffusion Models, Multimodal AI, and
Responsibilities:
• Conduct research in Diffusion Models, Multimodal AI, and Reinforcement Learning
• Train foundation models
• Optimize inference, alignment, distillation, and quantization
Requirements:
• Experience in Diffusion Models, Multimodal AI, or Reinforcement Learning
• Proficient in PyTorch
• Experience in training large models or distributed training
• Interest in research
Optional requirements:
• Publications (NeurIPS/ICML/ICLR)
• Strong competitive programming background
• Research experience
Создайте идеальное резюме с помощью ИИ-агента

Навыки
- PyTorch
- Diffusion Models
- Reinforcement Learning
- Distributed Training
- Distillation
- Model Optimization
- Quantization
- Multimodal AI
Возможные вопросы на собеседовании
Проверка фундаментальных знаний в области, на которой специализируется компания.
Расскажите о последних архитектурных улучшениях в диффузионных моделях, которые вы считаете наиболее перспективными для генерации видео?
Оценка практического опыта работы с инфраструктурой для обучения больших моделей.
С какими основными проблемами масштабирования вы сталкивались при распределенном обучении (Distributed Data Parallel vs Model Parallel) и как их решали?
Проверка навыков оптимизации, указанных в обязанностях.
Какие методы квантования и дистилляции вы бы применили для ускорения инференса мультимодальной модели без значительной потери качества?
Оценка понимания RL, упомянутого в вакансии.
Как можно эффективно использовать Reinforcement Learning для выравнивания (alignment) генеративных моделей контента?
Проверка алгоритмической базы, важной для компании.